从k折到自助法：常用交叉验证方法的优缺点
为了评估和改进机器学习（ML）算法的可靠性和泛化能力，交叉验证已被广泛采用[1]。交叉验证是一种在有限数据集上评估和比较不同模型性能的方法，其通过分割数据集为训练集和测试集以验证模型的性能。通过使用交叉验证，研究人员可以避免对单一实验的依赖，因此可以更好地评估模型的泛化能力。
高动态范围成像：超越人眼的视觉体验
【10月更文挑战第15天】高动态范围成像（HDR）通过捕捉更广泛的亮度范围，超越传统图像和人眼的极限，提供卓越的视觉体验。本文深入解析HDR的基本原理、技术特点及其在摄影、电影、游戏、医学影像和工业检测等领域的广泛应用，展现其引领视觉技术革命的独特魅力。
AI计算机视觉笔记二十六：YOLOV8自训练关键点检测
本文档详细记录了使用YOLOv8训练关键点检测模型的过程。首先通过清华源安装YOLOv8，并验证安装。接着通过示例权重文件与测试图片`bus.jpg`演示预测流程。为准备训练数据，文档介绍了如何使用`labelme`标注工具进行关键点标注，并提供了一个Python脚本`labelme2yolo.py`将标注结果从JSON格式转换为YOLO所需的TXT格式。随后，通过Jupyter Notebook可视化标注结果确保准确性。最后，文档展示了如何组织数据集目录结构，并提供了训练与测试代码示例，包括配置文件`smoke.yaml`及训练脚本`train.py`，帮助读者完成自定义模型的训练与评估。
